重新思考少样本分类中的样本关系
计算机视觉与模式识别
2025-01-24 v1 人工智能
摘要
特征质量是分类性能的关键，尤其是在少样本场景下。对比学习是增强特征质量的广泛采用技术，通过样本关系提取捕获语义信息的内在特征，已在少样本学习(FSL)中取得显著成功。然而，当前的少样本对比学习方法往往忽视在不同粒度上使用相同建模方法处理样本关系时的语义相似性差异，这限制了少样本对比学习的潜力。本文引入一种简单而有效的对比学习方法，称为多粒度关系对比学习(MGRCL)，作为预训练特征学习模型以提升少样本学习。MGRCL将样本关系分为三类：同一样本在不同转换下的内部关系、同构样本的内部关系以及异构样本的外部关系。在MGRCL中，我们设计了转换一致性学习(TCL)，通过对齐输入对的预测来确保同一样本在不同转换下的严格语义一致性。此外，为保留判别性信息，我们采用类对比学习(CCL)，确保样本始终更接近其同构样本而非异构样本，因为同构样本共享相似的语义内容，而异构样本具有不同的语义内容。我们在四个流行的FSL基准测试中评估了该方法，结果表明，这种简单的方法超过了大多数领先的FSL方法。此外，该方法可以集成到其他FSL方法中作为预训练模型，从而为其获得显著的性能提升。
引用
@article{arxiv.2501.13418,
title = {Rethinking the Sample Relations for Few-Shot Classification},
author = {Guowei Yin and Sheng Huang and Luwen Huangfu and Yi Zhang and Xiaohong Zhang},
journal= {arXiv preprint arXiv:2501.13418},
year = {2025}
}
备注
32 pages